信息安全研究 ›› 2024, Vol. 10 ›› Issue (5): 411-.
陈虹1张立昂1金海波1武聪2齐兵1
Chen Hong1, Zhang Li’ang1, Jin Haibo1, Wu Cong2, and Qi Bing1#br#
摘要: 车载控制区域网络(controller area network, CAN)总线因缺少安全措施而易被攻击,因此入侵检测系统(intrusion detection system, IDS)在保护车载CAN总线免受网络攻击中发挥着重要作用.现有基于深度学习的车载CAN总线入侵检测方法存在资源开销大和延迟较高的问题.为减少检测延迟,提高检测率,提出一种利用改进的轻量化MobileViT模型对车载CAN总线进行入侵检测的方法.首先,将攻击流量可视化为彩色图,再使用GELU替换MobileViT的MV2模块中常规ReLU6,从而作为该模块的激活函数,可有效解决神经元死亡问题,提升模型收敛速度.使用指数衰减自动更新学习率,并通过迁移学习加速训练过程实现对彩色图分类,从而达到对入侵行为的检测.基于CARHACKING DATASET数据集的实验表明,改进后的MobileViT在消耗较少算力的情况下对入侵行为的检测准确率为100%,模型参数仅为2.12MB,平均响应时间仅为1.6ms,节省了训练资源,并保证了检测的准确率.
中图分类号: